Bussiness Inteligence para Gestores - Completo

BUSSINESS INTELIGENCE Prof.
Orlando Oliveira dos

Santos
APRESENTAÇÃO
Disciplina
 Business Intelligence para Gestores Públicos - Teoria e Prática
Carga horária:
 40 horas
Objetivo da disciplina
 Capacitar servidores para atuar na concepção, gerenciamento, produção, manutenção e utilização de soluções para
apoio a tomada de decisão.
Professor
 Orlando Oliveira dos Santos (MSC)
 Orlando.santos@presidencia.gov.br - (61) 3411 1919 / 99646 6151
Formação Acadêmica
 Mestrado em Computação Aplicada - UnB (2014 – 2016)
 MBA, Administração Estratégica de Sistemas
de Informação – FGV (2011 – 2013)
 Tecnólogo em Processamento de Dados, Análise e Desenvolvimento de Sistemas – FAETEC/SP (2000-2002)
APRESENTAÇÃO
Certificações
 PMP - Project Manager Professional (Project
Management Institute – PMI);
 PSM-I Professional Scrum Master I (Scrum.org)
 ITIL V3 Foundation Certified Professional (EXIN Institute)
 ISO/IEC 20000 Foundation Certified Professional (EXIN Institute);
 ISO/IEC 27002 Foundation Certified Professional (EXIN Institute);
 COBIT Foundation Certified Professional (Information Systems Audit and Control Association - ISACA).
Experiência Profissional
 Diretor de Gestão da Informação – PR/CCIVIL/SE
 Coordenador Geral de Gestão da Informação – MP/SEGES/GABIN (2017)
 Chefe de Equipe de Análise de dados e Informações – MP/SEGES/DETRV (2016)
 Chefe de Divisão de Informações Estratégicas MP/SE/DTI (2015)
 Gerenciamento de projetos de desenvolvimento e implantação de sistemas para autarquias de fiscalização profissional (2010 –
2014)
 Gerenciamento de projetos de desenvolvimento e implantação de sistemas tributários para prefeituras (2004-2010)
Currículo Lattes: http://lattes.cnpq.br/5082932373540854

CONTEÚDO PROGRAMÁTICO
Teórico
 Informação para tomada de Decisão
 Introdução ao Business Intelligence – BI
 Natureza dos dados e Taxonomia dos dados;
 Pré-processamento de dados
 Data Warehouse - DW e Data Mart
 Modelagem estatística:
 Visualização de dados
 Estratégia de seleção de tipo de visualização
 Linguagem SQL
Prático
 Apresentação da ferramenta Qliksense Desktop
 Apresentação do conjunto de dados a ser utilizado
 Carga e pré-processamento dos dados;
 Realização de operações de manipulação de dados utilizando linguagem de Script Qliksense.
 Definição de metadados (métricas e dimensões); e
 Criação de visualizações de dados utilizando a ferramenta de Qliksense Desktop.
 Realização de operações de manipulação de dados em bancos de dados utilizando
linguagem SQL; e
 Atividade em duplas de desenvolvimento de um painel de BI com dados escolhidos pela
dupla.
BIBLIOGRAFIA
(TURBAN ,2009): Turban, Efraim; et al. Business
Intelligence: Um Enfoque Gerencial Para a
Inteligência do Negócio. São Paulo: Bookman, 2009
(SHARDA,DELEN,TURBAN ,2017): Sharda, Ramesh;

Delen, Dursun; Turban, Efraim. Business Intelligence,
Analytics, and Data Science: A Managerial
Perspective. Fourth Edition – Pearson Education -
2016
Tutoriais Qlik Sense
 Disponíveis em:
 http://help.qlik.com/pt-BR/sense/1.1/Content/TutorialsExamples.htm
 Tutorial - Começando com o básico

 Aprenda as noções básicas do Qlik Sense, como fazer seleções e como interpretar os resultados.
 Tutorial - Criação de um aplicativo
 Aprenda a criar um aplicativo desde o início.
 Tutorial - Scripts para iniciantes
 Comece com o básico do script para poder carregar e manipular dados no Qlik Sense.
 Tutorial - Próximas etapas do script
 Avance para o uso de scripts mais avançado no Qlik Sense.
BUSSINESS INTELIGENCE – BI E AULA 01
QLIKSENSE
INFORMAÇÃO E TOMADA DE DECISÃO
Dados
 São elementos estruturados, provenientes de uma coleta ou pesquisa. Podem ser classificados
em termos de fatos, sinais, ou símbolos e identificados como palavras, números, códigos,
tabelas ou base de dados;
Informação
 A informação surge a partir da estruturação ou organização de dados processados para um
fim/contexto especifico. Permite identificar o “o que”. Se apresenta no formato de sentenças,
equações, conceitos e ideias;
Conhecimento
 É composto por uma mescla de informação contextualizada, valores experiências e regras.
Permite identificar o “como”. Estão na forma de livros, teorias, conceitos e axiomas;
Sabedoria
 É o estágio mais complexo de se definir e ocorre quando há a ressignificação dos outros
níveis em combinações metalinguísticas. Permite identificar o “por que”. Expressa-se em
compêndios, paradigmas, sistemas, leis e princípios.
Pirâmide DICS-
Fonte: http://www.clevercorp.com.br/wp-
content/uploads/2015/07/piramide_03-01.png
SISTEMAS DE INFORMAÇÃO
Sistema de Informação (SI):
 Sistema cujo elemento principal é a informação. Seu objetivo é armazenar, tratar e fornecer
informações de tal modo a apoiar as funções ou processos de uma organização.
 Um SI é composto de um subsistema social e de um subsistema automatizado.
 O primeiro inclui as pessoas, processos, informações e documentos.
 O segundo consiste dos meios automatizados (máquinas, computadores, redes de
comunicação) que interligam os elementos do subsistema social
http://www.ifba.edu.br/professores/pablovf/repositorio/siTiposSi.pdf
SISTEMAS DE INFORMAÇÃO DO GOVERNO FEDERAL
Siorg - Sistema de Informações Organizacionais do Governo Federal
 O Siorg é o sistema que trata as informações sobre as estruturas, competências, finalidades,
jurisdição, histórico legal e titulares dos Órgãos da Administração Federal. Disponibiliza o
catálogo de órgãos que é utilizado por todos os sistemas estruturantes do governo federal.
Siape - Sistema Integrado de Administração de Recursos Humanos

 O Sistema Integrado de Administração de Recursos Humanos (Siape) é um sistema de
abrangência nacional criado com a missão de integrar todas as plataformas de gestão da
folha de pessoal dos servidores públicos. Hoje, o Siape é um dos principais sistemas
estruturadores do governo e é responsável pela produção das folhas de pagamento dos mais
de 200 órgãos federais.
Fonte: https://intra.serpro.gov.br/linhas-negocio/catalogo-de-solucoes
Sigepe - Sistema de Gestão de Pessoas do Governo Federal
 O Sistema de Gestão de Pessoas do Governo Federal (Sigepe), desenvolvido em parceria
entre o Serpro e a Dataprev, foi criado para subsidiar, por meio dos recursos de Tecnologia
da Informação, as políticas de gestão de pessoas e as operações de recursos humanos do
Governo Federal.
SCDP - Sistema de Concessão de Diárias e Passagens

 Com o objetivo de automatizar o fluxo do processo de concessão de diárias e passagens a
servidores da Administração Pública federal, foi criado o Sistema de Concessão de Diárias e
Passagens (SCDP). Implantado em 2004, com uso tornado obrigatório em 2009 (com
fundamento legal no Decreto n.º 6.258, de novembro de 2007).
Siest - Sistema de Informações das Empresas Estatais
 O Siest é o sistema que oferece suporte ao Departamento de Coordenação e Controle das
Empresas Estatais (Dest), do Ministério da Economia, na captação de propostas de
investimentos das empresas estatais para o exercício financeiro subsequente.
Siasg - Sistema Integrado de Administração de Serviços Gerais:

 O Siasg é o sistema utilizado para facilitar e agilizar os processos de compra e aquisição de
materiais e serviços do Governo Federal. Sua finalidade é integrar os órgãos da
Administração Pública Federal direta, autárquica e fundacional.
Portal de Compras do Governo Federal (Comprasnet)
 O Comprasnet é um sistema web destinado à realização de licitações, contratações e
aquisições promovidas pelas instituições do governo federal. A tecnologia disponibiliza uma
série de facilidades voltadas para o controle e execução dos processos de contratação, além
de disponibilizar a legislação que regulamenta o processo de serviços gerais e de
contratação com informações gerais que torna desburocratizada a participação em processos
licitatórios.
CPF - Cadastro de Pessoas Físicas
 O Cadastro de Pessoas Físicas (CPF) é um banco de dados gerenciado pela Secretaria da
Receita Federal do Brasil (RFB) que armazena informações de contribuintes, brasileiros e
estrangeiros, obrigados pela legislação vigente à inscrição no CPF, ou de cidadãos que se
inscreveram voluntariamente
SOLUÇÕES DE APOIO A TOMADA DE DECISÃO - NECESSIDADE
Figura 1.1 Modelo de pressões – reações – suporte de negócios - Fonte: (TURBAN ,2009)
SOLUÇÕES DE APOIO À TOMADA DE DECISÃO - MOTIVADORES
Aumento da disponibilidade de hardware, software e recursos de rede
Intensificação comunicação e colaboração em grupo
Evolução das soluções de gerenciamento de dados
Aumento da capacidade de gerenciamento de grandes repositórios de
dados e Big Data
Disponibilidade softwares para suporte analítico
Superação dos limites cognitivos no processamento e armazenamento de
informações
Melhoria na gestão do conhecimento
Disponibilidade de suporte a qualquer momento em qualquer lugar
SOLUÇÕES DE APOIO A TOMADA DE DECISÃO - EVOLUÇÃO
Figura 1.1 Modelo de pressões – reações – suporte de negócios - Fonte: (TURBAN ,2009)
ANALYTICS- VISÃO GERAL
Benefícios
 Um termo relativamente novo / palavra-chave;
 Processo de desenvolvimento de decisões ou recomendações para ações baseadas em insights

gerados a partir de dados históricos;
 De acordo com Institute for Operations Research and Management Science (INFORMS) :
 Analytics representa a combinação de tecnologia informática, técnicas de gestão e estatística para resolver
problemas reais.
ANALYTICS- VISÃO GERAL
Figura 1.11 Three Types of Analytics - Fonte: (SHARDA,DELEN,TURBAN ,2017)

ANALYTICS- ANÁLISE DESCRITIVA
Análise descritiva ou de relatórios
Responde à pergunta sobre o que aconteceu
Análise retrospectiva de dados históricos
Habilitadores:
 OLAP / DW
 Visualização de dados
 Painéis e Scorecards
 Estatísticas descritivas
ANALYTICS- ANÁLISE PREDITIVA
Pretende determinar o que provavelmente
acontecerá no futuro (prevendo os eventos
futuros)
Olhando os dados passados para prever o futuro
Habilitadores
 Mineração de dados
 Mineração de texto / Web mining
 Previsão (séries temporais)
ANALYTICS- ANÁLISE PRESCRITIVA
Pretende determinar a melhor decisão possível
Usa métodos descritivos e preditivos para
criar as alternativas, e depois indica a melhor
Habilitadores
 Otimização
 Simulação
 Modelagem de decisão multi-critérios
 Sistemas inteligentes
Análise aplicada a muitos domínios

ANALYTICS OU DATA SCIENCE?
Duas disciplinas separadas, mas interconectadas
Analytics:
 Procura fornecer observações operacionais em questões que sabemos ou sabemos que não
sabemos.
Data Science:
 Procura fornecer insights estratégicos em questões onde não sabemos o que não sabemos.
ANALYTICS OU DATA SCIENCE?
Fonte: https://datascientistinsights.com/2013/09/09/data-analytics-vs-data-science-two-separate-but-interconnected-disciplines/
ANALYTICS - CIENTISTA DE DADOS
Cientista de dados:
 De acordo Gartner, o papel do cientista de dados é fundamental para as organizações que
buscam extrair informações dos ativos de informação e requer uma ampla combinação de
habilidades que podem ser cumpridas melhor como equipe".
Um bom cientista de dados deve ter os seguintes traços:

 Curiosidade – Explora os dados para encontrar as respostas
 Intuição - Um bom senso de negócios.
 Habilidade para coleta de dados - Como encontrar os dados relevantes
 Conhecimento de estatística - Compreender as correlações
 Habilidade para Modelagem analítica – Avaliar dados históricos para prever o futuro.
 Boa comunicação - Capacidade de compreender e expressar os resultados obtidos com as
análises.
BUSINESS INTELLIGENCE
Business Analytics
 O BI era tudo que se tinha relacionado ao
uso de dados para suporte à tomada de
decisão gerencial
Descriptive Predictive Prescriptive
 Agora, é parte da Business Analytics
 BI = Análise descritiva
Questions
What happened? What will happen? What should I do?
What is happening? Why will it happen? Why should I do it?
ü Business reporting ü Data mining ü Optimization
Enablers
ü Dashboards ü Text mining ü Simulation
ü Scorecards ü Web/media mining ü Decision modeling
ü Data warehousing ü Forecasting ü Expert systems
Outcomes
Well defined Accurate projections Best possible
business problems of future events and business decisions
and opportunities outcomes and actions
Business Intelligence Advanced Analytics
Figura 1.11 Three Types of Analytics - Fonte: (SHARDA,DELEN,TURBAN ,2017)

INTELIGÊNCIA DE NEGÓCIOS - DEFINIÇÃO
[Definição ampla] Um termo guarda-chuva que combina arquiteturas,
ferramentas, bancos de dados, ferramentas analíticas, aplicações e
metodologias;
[Definição restrita] Ferramentas e técnicas de análise descritiva ;

INTELIGÊNCIA DE NEGÓCIOS - EVOLUÇÃO
Figura 1.9 Evolution of Business Intelligence (BI) - Fonte: (SHARDA,DELEN,TURBAN ,2017)

INTELIGÊNCIA DE NEGÓCIOS - COMPONENTES
Figura 1.10 A High-Level Architecture of BI - Fonte: (SHARDA,DELEN,TURBAN ,2017)

INTELIGÊNCIA DE NEGÓCIOS – PROCESSO DE CRIAÇÃO
Figura 1.4 Processo de criação e uso da inteligência.- Fonte: Fonte: (TURBAN ,2009)
INTELIGÊNCIA DE NEGÓCIOS - ADOÇÃO
Planejamento e alinhamento com a estratégia de negócios
 Definir como o BI está ligado à definição e execução da estratégia
 Planejamento e execução de soluções de BI com foco nas necessidades estratégicas
 Escolher áreas chaves a serem atendidas com competências em BI
 Incentivar a interação entre as potenciais comunidades de usuários;
 Utilizar um centro de competências em BI para servir como um repositório e disseminador de
melhores práticas de BI entre as diferentes área da organização.
Aspectos Críticos a Serem Considerados
 Desenvolver ou adquirir soluções de BI
 Fazer versus comprar
 Justificar e analisar o custo-benefício
 Um esforço desafiador, por quê?
 Garantir a Segurança
 Proteção de Privacidade
 Integração em outros sistemas e aplicativos
Benefícios
 Economia de tempo
 Versão única da verdade
 Melhoria em estratégias e planos
 Processos mais eficientes
 Redução de custos
 Relatórios mais rápidos e precisos
 Melhoria da tomada de decisões
 Melhor serviço ao cidadão
 Aumento de receitas
QLIKSENSE
AULA PRÁTICA
APRESENTAÇÃO DAS FERRAMENTAS
Apresentação do Software Qliksense Desktop (Uso gratuito);
Arquivo de dados:
https://drive.google.com/file/d/1QK1-
M0ubxJzko4mviz0_EMhqAUZwSP4M/view?usp=sharing
Arquivo do painel
https://drive.google.com/file/d/1INzVUAlOQB0-
6yp2bijAEkfcrvaMNKgl/view?usp=sharing
QLIKSENSE

DADOS - NATUREZA
Dados: uma coleção de fatos
Geralmente obtido como resultado de experiências ou observações;
Os dados podem consistir em números, palavras, imagens, ...
Os dados são o menor nível de abstração (do qual são derivadas
informações e conhecimento)
Os dados são fonte de informação e conhecimento.
Qualidade de dados e integridade de dados são críticas para análise
DADOS - NATUREZA
The Nature of Data - Fonte: (SHARDA,DELEN,TURBAN ,2017)

DADOS - TAXONOMIA
Dados = fatos
Dados estruturados
 Destinado a computadores para processar
 Numérico versus nominal
Dados não estruturados / textuais

 Destinado a humanos para processar / digerir
Dados semiestruturados?
 XML, HTML, arquivos de log, etc.
DADOS - TAXONOMIA
Data taxonomy - Fonte: (SHARDA,DELEN,TURBAN ,2017)

DADOS - PRÉ-PROCESSAMENTO
Os dados do mundo real estão sujos,
desorganizados, excessivamente complexos e
imprecisos
 Não estão prontos para análise!
Faz-se necessário preparar os dados para análise:

 Consolidação de dados
 Limpeza de dados
 Transformação de dados
 Redução de dados
Fonte: (SHARDA,DELEN,TURBAN ,2017)

Consolidação de dados
 Acessar e coletar dados
 Consultas SQL;
 Softwares agentes;
 Web services;
 Selecionar e filtrar os dados
 Experiências no domínio;
 Consultas SQL;
 Testes estatísticos.
 Integrar e unificar os dados
 Experiências no domínio;
 Consultas SQL;
 Mapeamento de dados orientados à ontologia
Limpeza de dados
 Tratar dados nulos e vazios no conjunto de dados
 Preencher campos vazios e nulos com valores mais apropriados (médias, medianas, mínimo, máximo, moda, etc);
 Recodificar valores vazios e nulos com uma constante, como “NI”;
 Remover registros com dados nulos e vazios;
 Não fazer nada;
 Identificar e reduzir ruídos nos dados

 Identificar os pontos extremos (outliers) nos dados com técnicas estatísticas simples ( tais como médias e desvios
padrões);
 Identificar os pontos extremos (outliers) nos dados com análise de cluster e então removê-los ou suavizá-los por meio
de regressão ou médias simples;
 Encontrar e eliminar dados errados

 Identificar valores errados nos dados (diferente de outlier), e após identificá-los usar experiência de domínio para
corrigi-los ou remover os registros com valores errados;
Transformação de dados
 Normalizar dados
 Reduzir a amplitude dos dados em cada variável numérica para padronizar a amplitude (por exemplo 0 a 1,
ou -1 a 1) por meio do uso de uma variedade de técnicas de normalização e scaling.
 Padronizar tipos de dados ( datas, escalas de medidas, etc)
 Discretizar os dados
 Se for necessário converter varáveis numéricas em representações discretas usando amplitudes ou técnicas de
fragmentação por frequência.
 Para varáveis categóricas, reduzir o número de valores aplicando conceitos de hierarquias apropriados.
 Construir novos atributos

 Derivar novas e mais informativas variáveis a partir de varáveis existentes usando uma ampla gama de
funções matemáticas (adicionais, multiplicações entre outras)
Redução de dados
 Reduzir o número de atributos
 Análise de componentes principais, análise de correlação.
 Reduzir o número de registros

 Amostragem aleatória, amostragem estratificada, amostragem orientada por conhecimento especializado.
 Balanceamento de dados
 Fazer oversample das classes menos representativas ou undersample da classe mais representativa.
O QUE É UM DATA WAREHOUSE?
Um repositório físico onde os dados relacionais são especialmente
organizados para fornecer dados corporativos limpos em um formato
padronizado
Um banco de dados relacional? (Então qual é a diferença?)
"O data warehouse é uma coleção de bases de dados integradas,

orientadas a assuntos, projetadas para suportar funções DSS, onde
cada unidade de dados não é volátil e relevante em algum momento
no tempo

PERSPECTIVA HISTÓRICA PARA DATA WAREHOUSING
ü Mainframe computers ü Centralized data storage ü Big Data analytics
ü Simple data entry ü Data warehousing was born ü Social media analytics
ü Routine reporting ü Inmon, Building the Data Warehouse ü Text and Web Analytics
ü Primitive database structures ü Kimball, The Data Warehouse Toolkit ü Hadoop, MapReduce, NoSQL
ü Teradata incorporated ü EDW architecture design ü In-memory, in-database
1970s 1980s 1990s 2000s 2010s
ü Mini/personal computers (PCs) ü Exponentially growing data Web data

ü Business applications for PCs ü Consolidation of DW/BI industry
ü Distributer DBMS ü Data warehouse appliances emerged
ü Relational DBMS ü Business intelligence popularized
ü Teradata ships commercial DBs ü Data mining and predictive modeling
ü Business Data Warehouse coined ü Open source software
ü SaaS, PaaS, Cloud Computing
CARACTERÍSTICAS DOS DWS
Orientado a assuntos
Integrado
Variante de tempo (séries temporais)
Não volátil
Resumido
Não normalizado
Metadados
Baseado na Web,
Relacional / multidimensional
Cliente / servidor
DATA MART
Um "DW" departamental de pequena escala que armazena apenas
dados limitados / relevantes
 Data mart dependentes

 Um subconjunto que é criado diretamente de um data warehouse
 Data mart independente

 Um pequeno data warehouse projetado para uma unidade de negócios estratégica ou um departamento
OUTROS COMPONENTES DE DW
Repositório de dados operacionais (ODS)
 Um tipo de banco de dados freqüentemente usado como uma área provisória para um data
warehouse
Oper marts
 Um data mart operacional
Data warehouse corporativos (EDW)

 Um data warehouse para toda a empresa
Metadados - "dados sobre dados"

 Os metadados descrevem o conteúdo de um data warehouse e sua coleta e utilização
QLIKSENSE
AULA PRÁTICA
PRÉ-PROCESSAMENTO DOS DADOS
Apresentação do conjunto de dados a ser utilizado
Carga e pré-processamento dos dados selecionados utilizando a

ferramenta Qliksense Desktop.
QLIKSENSE

ARQUITETURA GENÉRICA DE DW
Data Applications
Sources No data marts option (Visualization)
Data
Marts Routine
ERP Business
ETL
Reporting
Process
Data mart
Select (Marketing)
/ Middleware
Legacy Metadata Data/text
Extract mining
Data mart
Transform Enterprise (Operations)
POS Data warehouse
OLAP,
Integrate
API
Data mart Dashboard,
(Finance) Web
Other Load
OLTP/Web
Replication Data mart
(...) Custom built
External
applications
Data
A Generic DW Framework - Fonte: (SHARDA,DELEN,TURBAN ,2017)

ARQUITETURAS DE DW
Arquitetura de três camadas
 Software de aquisição de dados (back-end)
 O data warehouse que contém os dados e software
 Software de cliente (front-end) que permite aos
Tier 1: Tier 2: Tier 3:
Client workstation Application server Database server
usuários acessar e analisar dados do repositório
Arquitetura de duas camadas

 As primeiras duas camadas na arquitetura de três
camadas são combinadas em uma
... às vezes há apenas um nível? Tier 1:

Client workstation
Tier 2:
Application & database server
ARQUITETURAS DE DW
Questões a serem consideradas ao decidir qual arquitetura usar:
 Qual sistema de gerenciamento de banco de dados (SGBD) deve ser usado?
 Processamento paralelo e / ou particionamento serão usados?
 Ferramentas de migração de dados serão usadas para carregar o data warehouse?
 Quais ferramentas serão usadas para suportar a recuperação e análise de dados?
ARQUITETURAS DE DW
Dez fatores que potencialmente afetam a decisão de seleção de
arquitetura
 Interdependência da informação entre unidades organizacionais
 Necessidades de informação da alta administração
 Urgência de necessidade de um data warehouse
 Natureza das tarefas do usuário final
 Restrições de recursos
 Visão estratégica do data warehouse antes da implementação
 Compatibilidade com sistemas existentes
 Habilidade perceptível da equipe de TI interna
 Problemas técnicos e Fatores sociais / políticos
INTEGRAÇÃO DE DADOS E EXTRAÇÃO, TRANSFORMAÇÃO E CARGA
ETL = Extract Transform Load (Extração, Transformação e Carga)
 Integração de dados
 Integração que compreende três processos importantes: acesso a dados, federação de dados e captura de
mudanças.
 Integração de aplicações corporativos (EAI)
 Uma tecnologia que fornece um veículo para empurrar dados de sistemas de origem para um data warehouse
 Integração de informações empresariais (EII)

 Um espaço de ferramentas em evolução que promete integração de dados em tempo real a partir de uma
variedade de fontes, como bancos de dados relacionais ou multidimensionais, serviços da Web, etc.
Packaged Transient
application data source
Data
warehouse
Legacy Extract Extract Extract Extract

system
Data
marts
Other internal
applications
Data Integration and the Extraction, Transformation, and Load Process - Fonte: (SHARDA,DELEN,TURBAN ,2017)
Data Integration and the Extraction, Transformation, and Load Process - Fonte: (SHARDA,DELEN,TURBAN ,2017)
FERRAMENTAS DE ETL – SELEÇÃO E AQUISIÇÃO
Problemas que afetam a compra de uma ferramenta ETL
 As ferramentas de transformação de dados são caras
 As ferramentas de transformação de dados podem ter uma longa curva de aprendizado
Critérios importantes na seleção de uma ferramenta ETL

 Capacidade de ler e escrever para um número ilimitado de fontes de dados / arquiteturas
 Captura e entrega automática de metadados
 Um histórico de conformidade com os padrões abertos
 Uma interface fácil de usar para o desenvolvedor e o usuário funcional
ABORDAGENS DE DESENVOLVIMENTO DE DATA WAREHOUSE
Modelo Inmon: abordagem EDW
 de cima para baixo
Modelo Kimball: abordagem Data Mart

 de baixo para cima
Qual modelo é o melhor?

REPRESENTAÇÃO DE DADOS
EM UM DW
Modelagem dimensional
 Um sistema baseado em recuperação de dados que suporta alto volume de acesso de
consulta de
Esquema de estrela
 O estilo mais comum e o estilo mais simples de modelagem dimensional
 Contém uma tabela de fatos cercada e conectada a várias tabelas de dimensão
Esquema de flocos de neve

 Uma extensão do esquema de estrelas onde o diagrama se assemelha, em forma, a um floco
de neve
REPRESENTAÇÃO DE DADOS
EM UM DW
Star Schema versus Snowflake Schema- Fonte: (SHARDA,DELEN,TURBAN ,2017)

QLIKSENSE
AULA PRÁTICA
METADADOS E VISUALIZAÇÕES
Manipulação de dados utilizando scripts Qliksense.

Demonstração de organização dos dados de orçamento em modelos
multidimensionais no formato e estrela e floco de neve.
QLIKSENSE

MULTIDIMENSIONALIDADE
A capacidade de organizar, apresentar e analisar dados por várias
dimensões, como vendas por região, por produto, por vendedor e por
tempo (quatro dimensões)
Apresentação multidimensional
 Dimensões: produtos, vendedores, segmentos de mercado, unidades comerciais, locais geográficos,
canais de distribuição, país ou indústria
 Medidas: dinheiro, volume de vendas, contagem de títulos, apuração de lucro
 Tempo: diária, semanal, mensal, trimestral ou anual

ANÁLISE DE DADOS EM DW
OLTP vs. OLAP ... A 3-dimensional
OLAP cube with Sales volumes of
a specific Product
slicing
operations on variable Time
and Region
OLTP (Online Transaction Processing)

 Capturar e armazenar dados de ERP, CRM, POS, ...
 O foco principal é a eficiência das tarefas rotineiras
e
m
Ti
Product
OLAP (Online Analytical Processing)
Geography
Cells are filled
Sales volumes of
 Convertendo dados em informações para suporte de with numbers
representing a specific Region
decisão sales volumes on variable Time
and Products
 Cubos de dados, drill-down / rollup, slice & dice.
 Gerar relatórios ad hoc
Sales volumes of
 Realização de análises estatísticas e outras análises a specific Time on
variable Region
and Products
IMPLEMENTAÇÃO BEM SUCEDIDA DE DW: COISAS A EVITAR
Começar com o patrocínio errado
Definir expectativas que você não são viáveis
Carregar o data warehouse com informações apenas porque está
disponível
Acreditar que o projeto de banco de dados de data warehousing é o
mesmo que o projeto de banco de dados transacional
DATA WAREHOUSE E ESCALABILIDADE
Escalabilidade
As principais questões relativas à escalabilidade:
 A quantidade de dados no repositório
 Rapidez com que o repositório cresce
 O número de usuários simultâneos
 A complexidade das consultas dos usuários
Uma boa escalabilidade considera que consultas e outras funções de

acesso a dados crescerão linearmente com o tamanho do repositório
DATA WAREHOUSE
ADMINISTRAÇÃO E SEGURANÇA
Administrador do data warehouse (DWA)deve ...
 Ter conhecimento de software de alto desempenho, hardware e tecnologias de rede
 Possuir sólidos conhecimentos e percepção do negócio
 Estar familiarizado com os processos de tomada de decisão de modo a adequadamente
projetar / manter a estrutura do data warehouse
 Possuir excelentes habilidades de comunicação
Segurança e privacidade é uma questão urgente em DW

 Salvaguardando os ativos mais valiosos
 Regulamentos governamentais
 Deve ser explicitamente planejada e executada
DATA LAKES (LAGOS DE DADOS)
Tecnologia de armazenamento de dados não estruturada para Big
Data
Data Lake vs Data Warehouse

MODELAGEM ESTATÍSTICA
Statistical Modeling for Business Analytics - Fonte: (SHARDA,DELEN,TURBAN ,2017)

DADOS – ESTATÍSTICA DESCRITIVA
Medidas de tendência de centralidade
 Média aritmética
Mediana
 O número no meio
Moda
 A observação mais frequente
DADOS - ESTATÍSTICA DESCRITIVA
Medidas de Dispersão
Dispersão
 Grau de variação em uma determinada variável
Amplitude
 Max - Min
Variância - Desvio Padrão

Medidas de Dispersão
 Quartis
 Box-and-Whiskers Plot
 Versátil e informativo
Forma da Distribuição
 Histograma - gráfico de frequência
 Skewness (Medida de assimetria)
 Se v>0, maior peso na cauda direita (valores acima
da média
 Se v<0, maior peso na cauda esquerda (valores
abaixo da média)
 Se v=0, simétrica
DADOS – VISUALIZAÇÃO DE DADOS
 "O uso de representações visuais para explorar, fazer sentido e comunicar dados".
 Visualização de dados vs. Visualização de informações
 Informação = agregação, resumo e contextualização de dados
 Relacionado a gráficos de informação, visualização científica e gráficos estatísticos
 Muitas vezes inclui quadros, gráficos, ilustrações
 Ferramentas Emergentes de Visualização de dados

 Tableau, Spotfire, QlikSense, PowerBI
DADOS – VISUALIZAÇÃO DE DADOS
QLIKSENSE
AULA PRÁTICA
METADADOS E VISUALIZAÇÕES
Definição de metadados (métricas e dimensões); e
Criação de visualizações de dados utilizando a ferramenta de Qliksense

Desktop.
Link do Painel com várias abordagens de cargas

https://drive.google.com/open?id=1BRugClHOfp6x0xzrcrgeLBuTRegw-5r3
QLIKSENSE
LINGUAGEM SQL
linguagem de pesquisa declarativa padrão para banco de dados
relacional.
 Structured Query Language, ou
 Linguagem de Consulta Estruturada ou
 SQL
Pode sofrer alterações de sintaxe em diferentes fornecedores de Sistemas

Gerenciadores de Bancos de Dados-SGDB
Composta de dois tipos de comandos:

 DDL - Data Definition Language ou Linguagem de Definição de Dados e
 DML - Data Manipulation Language, ou Linguagem de Manipulação de Dados
LINGUAGEM SQL
DDL - Data Definition Language

ou Linguagem de Definição de Dados e
LINGUAGEM SQL – DDL - CRIAR E APAGAR BANCO DE DADOS
Sintaxe: Exemplo:
CREATE DATABASE databasename; CREATE DATABASE testDB;
DROP DATABASE databasename;

DROP DATABASE testDB;
https://www.w3schools.com/sql
LINGUAGEM SQL – DDL - CRIAR E APAGAR TABELA
Sintaxe: Exemplo:
CREATE TABLE table_name ( CREATE TABLE Persons (
column1 datatype, PersonID int,
LastName varchar(255),
column2 datatype,
FirstName varchar(255),
column3 datatype, Address varchar(255),
.... City varchar(255)
); );;
DROP TABLE table_name; DROP TABLE Persons;
TRUNCATE TABLE Persons;

TRUNCATE TABLE table_name;
LINGUAGEM SQL – DDL – ALTERAR TABELA
Sintaxe: Exemplo:
ALTER TABLE table_name ALTER TABLE Persons
ADD column_name datatype; ADD Street varchar(255) ;

DROP COLUMN column_name; DROP COLUMN Street;

ALTER COLUMN column_name ALTER COLUMN Street varchar(100)
datatype;
LINGUAGEM SQL – DDL - CONSTRAINT
Pode colocar restrições para limitar o tipo de dados a introduzir numa
tabela.
Podem ser especificadas nas instruções:
 CREATE TABLE;
 ALTER TABLE.
Alguns tipos comuns de restrições incluem o seguinte:

 NOT NULL Constraint: Garante que uma coluna não pode ter o valor NULL.
 DEFAULT Constraint: Fornece um valor padrão para uma coluna quando nenhum é especificado.
 UNIQUE Constraint: Garante que todos os valores numa coluna são diferentes.
 CHECK Constraint: Garante que todos os valores numa coluna satisfazem um determinado critério.
 Primary Key Constraint: Utilizado para identificar de forma única uma linha na tabela.
 Foreign Key Constraint: Utilizado para garantir a integridade referencial dos dados.
LINGUAGEM SQL – DDL – RESTRIÇÕES
NOT NULL Constraint DEFAULT Constraint

Sintaxe: Sintaxe:
CREATE TABLE Persons ( CREATE TABLE Persons (
ID int NOT NULL, ID int NOT NULL,
LastName varchar(255) NOT NULL,
LastName varchar(255) NOT NULL, FirstName varchar(255),
FirstName varchar(255) NOT NULL, Age int,
Age int City varchar(255) DEFAULT 'Sandnes'
); );
UNIQUE Constraint CHECK Constraint

Sintaxe: Sintaxe:
CREATE TABLE Persons ( CREATE TABLE Persons (
ID int NOT NULL UNIQUE, ID int NOT NULL,
LastName varchar(255) NOT NULL, LastName varchar(255) NOT NULL,
FirstName varchar(255), FirstName varchar(255),
Age int Age int CHECK (Age>=18)
); );
Chave Primária
Sintaxe: Sintaxe:
CREATE TABLE Persons ( ALTER TABLE Persons ADD PRIMARY KEY
ID int NOT NULL PRIMARY KEY, (SID);
LastName varchar(255) NOT NULL,
FirstName varchar(255),
Age int
);
Chave Estrangeira / Externa

Sintaxe: Sintaxe:
CREATE TABLE Orders ( ALTER TABLE ORDERS
OrderID int NOT NULL, ADD (CONSTRAINT fk_orders1) FOREIGN
OrderNumber int NOT NULL, KEY (PersonID) REFERENCES
Persons(PersonID);
PersonID int,
PRIMARY KEY (OrderID),
FOREIGN KEY (PersonID) REFERENCES
Persons(PersonID)
);
LINGUAGEM SQL – DDL – CRIAR VISÃO
Sintaxe: Exemplo:
CREATE VIEW view_name AS CREATE VIEW [Products Above Average
Price] AS
SELECT column1, column2, ...
SELECT ProductName, UnitPrice
FROM table_name FROM Products
WHERE condition; WHERE UnitPrice > (SELECT AVG(UnitPrice)
FROM Products);
SELECT * FROM [Products Above Average

Price] ;
LINGUAGEM SQL
DML - Data Manipulation Language, ou Linguagem de Manipulação

de Dados
LINGUAGEM SQL – DML – ALIASES
Sintaxe: Exemplo:
SELECT column_name AS alias_name SELECT o.OrderID, o.OrderDate,
c.CustomerName
FROM table_name; FROM Customers AS c, Orders AS o
WHERE c.CustomerName="Around the
Horn" AND c.CustomerID=o.CustomerID;
SELECT Orders.OrderID,
Orders.OrderDate,
Customers.CustomerName
FROM Customers, Orders
WHERE Customers.CustomerName="Aroun
d the
Horn" AND Customers.CustomerID=Orders.
CustomerID;
LINGUAGEM SQL – DML – ALIASES
Sintaxe: Exemplo:
SELECT column_name AS alias_name SELECT CustomerID as ID,
FROM table_name; CustomerName AS Customer
FROM Customers;
SELECT CustomerName AS Customer,

SELECT column_name(s) ContactName AS [Contact Person]
FROM table_name AS alias_name; FROM Customers;
SELECT CustomerName, Address + ',

' + PostalCode + ' ' + City + ', ' +
Country AS Address
FROM Customers;
LINGUAGEM SQL – DML – SELECT
Sintaxe: Exemplo:
SELECT column1, column2, ... SELECT CustomerName,
FROM table_name; City FROM Customers;
SELECT * FROM table_name; SELECT * FROM Customers;
SELECT DISTINCT column1, column2, ... SELECT DISTINCT Country FROM Custo
FROM table_name; mers;
LINGUAGEM SQL – DML – WHERE
Sintaxe: Exemplo:
FROM table_name SELECT * FROM Customers
WHERE condition; WHERE Country='Mexico';
Operadores SELECT * FROM Customers

 = Igual WHERE Country LIKE ‘%Mexico%';
 <> Não é igual. (! =)
 > Maior do que
 <Menos do que SELECT * FROM Customers
 >= Maior ou igual WHERE CustomerID=1;
 <= Menor ou igual
 BETWEEN Entre um intervalo inclusivo
 LIKE Procurar um padrão
 IN Para especificar vários valores possíveis
para uma coluna
LINGUAGEM SQL – DML – AND, OR AND NOT
Sintaxe: Exemplo:
SELECT * FROM Customers
FROM table_name WHERE CustomerName LIKE 'a%';
WHERE column LIKE pattern;
 WHERE CustomerName COMO 'a%'

 Localiza valores que começam com "a"
 WHERE CustomerName COMO '% a' SELECT * FROM Customers
 Encontra valores que terminam com "a" WHERE City LIKE '[bsp]%';
 WHERE CustomerName LIKE '%ou%'
 Localiza quaisquer valores que tenham "ou"
em qualquer posição
 WHERE ContactName LIKE 'a%o' SELECT * FROM Customers
 Localiza qualquer valor que comece com WHERE City LIKE 'L_n_on';
"a" e termina com "o"
LINGUAGEM SQL – DML – IN
Sintaxe: Exemplo:
SELECT column_name(s) SELECT * FROM Customers
FROM table_name WHERE Country IN ('Germany', 'France', 'UK
');
WHERE column_name IN (value1, value
2, ...);
WHERE Country NOT IN ('Germany', 'France
', 'UK');
SELECT column_name(s)
WHERE Country IN (SELECT Country FROM
WHERE column_name IN (SELECT STATE Suppliers);
MENT);
LINGUAGEM SQL – DML – BETWEEN
Sintaxe: Exemplo:
SELECT column_name(s) SELECT * FROM Products
WHERE Price BETWEEN 10 AND 20;
FROM table_name
WHERE column_name BETWEEN value1 SELECT * FROM Products
AND value2; WHERE Price NOT BETWEEN 10 AND 20;
SELECT * FROM Products

SELECT column_name(s) WHERE ProductName BETWEEN 'Carnarvon
FROM table_name Tigers' AND 'Mozzarella di Giovanni'
WHERE column_name IN (SELECT STATE ORDER BY ProductName;
MENT);
SELECT * FROM Orders
WHERE OrderDate BETWEEN ’07/04/199
6’ AND ’07/09/1996’;
LINGUAGEM SQL – DML – AND, OR AND NOT
Sintaxe: Exemplo:
SELECT column1, column2, ... SELECT * FROM Customers
FROM table_name WHERE Country='Germany' AND City='Berl
in';
WHERE condition1 AND condition2
AND condition3 ...;
WHERE City='Berlin' OR City='München';
FROM table_name
WHERE condition1 OR condition2 OR c SELECT * FROM Customers
ondition3 ...; WHERE NOT Country='Germany‘;

SELECT column1, column2, ... WHERE Country='Germany' AND (City='Ber
FROM table_name lin' OR City='München');
WHERE NOT condition; https://www.w3schools.com/sql
LINGUAGEM SQL – DML – VALOR NULO
Sintaxe: Exemplo:
SELECT column_names SELECT LastName, FirstName,
FROM table_name Address FROM Persons
WHERE Address IS NULL;
WHERE column_name IS NULL;
SELECT LastName, FirstName,
Address FROM Persons
SELECT column_names WHERE Address IS NOT NULL;
FROM table_name
WHERE column_name IS NOT NULL;
LINGUAGEM SQL – DML – ORDER BY
Sintaxe: Exemplo:
SELECT column1, column2, ... SELECT * FROM Customers
FROM table_name ORDER BY Country;
ORDER BY column1, column2,
... ASC|DESC; SELECT * FROM Customers
ORDER BY Country DESC;

ORDER BY Country, CustomerName;

ORDER BY Country ASC,
CustomerName DESC;
LINGUAGEM SQL – DML – SELECT TOP
Sintaxe: Exemplo:
SELECT TOP number|percent column_na SELECT TOP 3 * FROM Customers;
me(s)
FROM table_name
WHERE condition;
LIMIT 3;
WHERE condition
LIMIT number;
LINGUAGEM SQL – DML
COUNT(), AVG() , SUM()
Sintaxe: Exemplo:
SELECT COUNT(column_name) SELECT COUNT(ProductID)
FROM table_name FROM Products;
WHERE condition;
SELECT AVG(Price)
SELECT AVG(column_name) FROM Products;
FROM table_name
WHERE condition;
SELECT SUM(column_name) SELECT SUM(Quantity)

FROM table_name FROM OrderDetails;
WHERE condition;
LINGUAGEM SQL – DML
COUNT(), AVG() , SUM()
Sintaxe: Exemplo:
SELECT COUNT(column_name) SELECT COUNT(ProductID)
FROM table_name FROM Products;
WHERE condition;
SELECT AVG(Price)
SELECT AVG(column_name) FROM Products;
FROM table_name
WHERE condition;
SELECT SUM(column_name) SELECT SUM(Quantity)

FROM table_name FROM OrderDetails;
WHERE condition;
LINGUAGEM SQL – DML – JOIN
Sintaxe: Exemplo:
SELECT Orders.OrderID, SELECT Orders.OrderID,
Customers.CustomerName, Customers.CustomerName,
Orders.OrderDate
Orders.OrderDate FROM Orders
FROM Orders INNER JOIN Customers ON Orders.Custome
INNER JOIN Customers ON Orders.Cus rID=Customers.CustomerID;
tomerID=Customers.CustomerID;
LINGUAGEM SQL – DML – JOIN
Tipos de Joins:
 (INNER) JOIN: Retorna registros que têm valores
correspondentes em ambas as tabelas;
 LEFT (OUTER) JOIN: retorna todos os registros da

tabela à esquerda e os registros correspondentes da
tabela direita;
 RIGHT (OUTER) JOIN: retornar todos os registros da

tabela direita e os registros correspondentes da tabela
da esquerda;
 FULL (OUTER) JOIN: Retorna todos os registros quando

há uma correspondência na tabela esquerda ou direita
LINGUAGEM SQL – DML – INNER JOIN
Sintaxe:
FROM table1
INNER JOIN table2 ON table1.column_name = table2.column_name;
Exemplo
SELECT Orders.OrderID, Customers.CustomerName
FROM Orders
INNER JOIN Customers ON Orders.CustomerID = Customers.CustomerID;
SELECT Orders.OrderID, Customers.CustomerName, Shippers.ShipperName

FROM ((Orders
INNER JOIN Customers ON Orders.CustomerID = Customers.CustomerID)
INNER JOIN Shippers ON Orders.ShipperID = Shippers.ShipperID);
LINGUAGEM SQL – DML – SELF JOIN
Sintaxe:
FROM table1 T1, table1 T2
WHERE condition;
Exemplo
SELECT A.CustomerName AS CustomerName1, B.CustomerName AS CustomerName2, A.City
FROM Customers A, Customers B
WHERE A.CustomerID <> B.CustomerID
AND A.City = B.City
ORDER BY A.City;
LINGUAGEM SQL – DML – LEFT JOIN
Sintaxe:
FROM table1
LEFT JOIN table2 ON table1.column_name = table2.column_name;
Exemplo
SELECT Customers.CustomerName, Orders.OrderID
FROM Customers
LEFT JOIN Orders ON Customers.CustomerID = Orders.CustomerID
ORDER BY Customers.CustomerName;
LINGUAGEM SQL – DML – RIGHT JOIN
Sintaxe:
FROM table1
RIGHT JOIN table2 ON table1.column_name = table2.column_name;
Exemplo
SELECT Orders.OrderID, Employees.LastName, Employees.FirstName
FROM Orders
RIGHT JOIN Employees ON Orders.EmployeeID = Employees.EmployeeID
ORDER BY Orders.OrderID;
LINGUAGEM SQL – DML – FULL JOIN
Sintaxe:
FROM table1
FULL OUTER JOIN table2 ON table1.column_name = table2.column_name;
Exemplo
SELECT Customers.CustomerName, Orders.OrderID
FROM Customers
FULL OUTER JOIN Orders ON Customers.CustomerID=Orders.CustomerID
ORDER BY Customers.CustomerName;
LINGUAGEM SQL – DML – UNION
Restrições: Exemplo:
 Cada instrução SELECT no UNION deve ter o mesmo número de SELECT City FROM Customers
colunas UNION
 As colunas também devem ter tipos de dados semelhantes SELECT City FROM Suppliers
ORDER BY City;
 As colunas em cada instrução SELECT também devem estar na
mesma ordem SELECT City FROM Customers
UNION ALL
SELECT City FROM Suppliers
ORDER BY City;
Sintaxe:
SELECT column_name(s) FROM table1 SELECT City, Country FROM Customers
WHERE Country='Germany'
UNION UNION
SELECT column_name(s) FROM table2; SELECT City, Country FROM Suppliers
WHERE Country='Germany'
ORDER BY City;
Exemplo SELECT 'Customer' As Type, ContactName, City,
SELECT column_name(s) FROM table1 Country
UNION ALL FROM Customers
SELECT column_name(s) FROM table2; UNION
SELECT 'Supplier', ContactName, City, Country
FROM Suppliers;
LINGUAGEM SQL – DML – GROUP BY
 Usada com funções agregadas (COUNT, MAX,
MIN, SUM, AVG) para agrupar o conjunto de
Exemplo:
resultados por uma ou mais colunas. SELECT COUNT(CustomerID), Country
FROM Customers
GROUP BY Country;
Sintaxe:
SELECT column_name(s) SELECT COUNT(CustomerID), Country
FROM table_name FROM Customers
GROUP BY Country
WHERE condition ORDER BY COUNT(CustomerID) DESC;
GROUP BY column_name(s)
ORDER BY column_name(s); SELECT Shippers.ShipperName, COUNT(Orders.
OrderID) AS NumberOfOrders FROM Orders
LEFT JOIN Shippers ON Orders.ShipperID =
Shippers.ShipperID
GROUP BY ShipperName;
LINGUAGEM SQL – DML – HAVING
Sintaxe: Exemplo:
SELECT column_name(s) SELECT COUNT(CustomerID), Country
FROM table_name FROM Customers
WHERE condition GROUP BY Country
GROUP BY column_name(s) HAVING COUNT(CustomerID) > 5;
HAVING condition
ORDER BY column_name(s); SELECT COUNT(CustomerID), Country
FROM Customers
GROUP BY Country
HAVING COUNT(CustomerID) > 5
ORDER BY COUNT(CustomerID) DESC;
LINGUAGEM SQL – DML – EXISTS
Sintaxe: Exemplo:
SELECT column_name(s) SELECT SupplierName
FROM table_name FROM Suppliers
WHERE EXISTS WHERE EXISTS (SELECT ProductName FROM
Products WHERE SupplierId =
(SELECT column_name FROM table_name WHERE Suppliers.supplierId AND Price < 20);
condition);
SELECT SupplierName
FROM Suppliers
WHERE EXISTS (SELECT ProductName FROM Pro
ducts WHERE SupplierId =
Suppliers.supplierId AND Price = 22);
LINGUAGEM SQL – DML – INSERT INTO
Sintaxe: Exemplo:
INSERT INTO table_name (column1, INSERT INTO Customers (CustomerName,
column2, column3, ...) ContactName, Address, City, PostalCode,
Country)
VALUES (value1, value2, value3, ...); VALUES ('Cardinal', 'Tom B.
Erichsen', 'Skagen
21', 'Stavanger', '4006', 'Norway');
INSERT INTO table_name

VALUES (value1, value2, value3, ...);
LINGUAGEM SQL – DML – SELECT INTO
Sintaxe: Exemplo:
SELECT * SELECT * INTO CustomersGermany
INTO newtable [IN externaldb] FROM Customers
FROM oldtable WHERE Country = 'Germany';
WHERE condition;
SELECT column1, column2, column3, ... SELECT CustomerName, ContactName INTO

INTO newtable [IN externaldb] CustomersBackup2017
FROM oldtable FROM Customers;
WHERE condition;
LINGUAGEM SQL – DML – COMENTAR
Sintaxe: Exemplo:
Linha: --Select all:
Texto depois de – SELECT * FROM Customers;
SELECT * FROM Customers -- WHERE City='Berlin';
--SELECT * FROM Customers;

SELECT * FROM Products;
Muitas linhas: /*Select all the columns

of all the records
Texto entre /* */ in the Customers table:*/
SELECT * FROM Customers;
LINGUAGEM SQL – DML – UPDATE
Sintaxe: Exemplo:
UPDATE table_name UPDATE Customers
SET column1 = value1, column2 = value SET ContactName='Juan'
2, ... WHERE Country='Mexico';
WHERE condition;
UPDATE Customers
SET ContactName='Juan';
LINGUAGEM SQL – DML – DELETE
Sintaxe: Exemplo:
DELETE FROM table_name; DELETE FROM Customers
WHERE CustomerName='Alfreds
Futterkiste';
DELETE FROM table_name

WHERE condition; DELETE * FROM table_name;
QLIKSENSE
AULA PRÁTICA
MANIPULAÇÃO DE DADOS
Realização de operações de manipulação de dados em bancos de
dados utilizando linguagem SQL;
Criação de visualizações de dados utilizando a ferramenta de

Qliksense Desktop.
QLIKSENSE
AULA PRÁTICA
ATIVIDADE DE FIXAÇÃO
Criação de visualizações de dados utilizando a ferramenta de Qliksense Desktop.
Link do Painel com várias abordagens de cargas - Atualizado

https://drive.google.com/file/d/1BRugClHOfp6x0xzrcrgeLBuTRegw-5r3/view?usp=sharing
Link para arquivos de dados de municípios

https://drive.google.com/file/d/1jebYW4RGxZJUMVfbYP4eF2B5t1jRJ5qk/view?usp=shar
ing
QLIKSENSE
AULA PRÁTICA
ATIVIDADE DE FIXAÇÃO
Atividade em dupla para desenvolvimento de um painel de BI com

dados escolhidos pela dupla.

Bussiness Inteligence para Gestores - Completo

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Bussiness Inteligence para Gestores - Completo

Enviado por

Direitos autorais:

Formatos disponíveis

BUSSINESS INTELIGENCE Prof.

Orlando Oliveira dos

Currículo Lattes: http://lattes.cnpq.br/5082932373540854

(SHARDA,DELEN,TURBAN ,2017): Sharda, Ramesh;

 Tutorial - Começando com o básico

Siape - Sistema Integrado de Administração de Recursos Humanos

SCDP - Sistema de Concessão de Diárias e Passagens

Siasg - Sistema Integrado de Administração de Serviços Gerais:

 Processo de desenvolvimento de decisões ou recomendações para ações baseadas em insights

Figura 1.11 Three Types of Analytics - Fonte: (SHARDA,DELEN,TURBAN ,2017)

Análise aplicada a muitos domínios

Um bom cientista de dados deve ter os seguintes traços:

ü Business reporting ü Data mining ü Optimization

Business Intelligence Advanced Analytics

Figura 1.11 Three Types of Analytics - Fonte: (SHARDA,DELEN,TURBAN ,2017)

[Definição restrita] Ferramentas e técnicas de análise descritiva ;

Figura 1.9 Evolution of Business Intelligence (BI) - Fonte: (SHARDA,DELEN,TURBAN ,2017)

Figura 1.10 A High-Level Architecture of BI - Fonte: (SHARDA,DELEN,TURBAN ,2017)

Figura 1.10 A High-Level Architecture of BI - Fonte: (SHARDA,DELEN,TURBAN ,2017)

The Nature of Data - Fonte: (SHARDA,DELEN,TURBAN ,2017)

Dados não estruturados / textuais

Data taxonomy - Fonte: (SHARDA,DELEN,TURBAN ,2017)

Faz-se necessário preparar os dados para análise:

Fonte: (SHARDA,DELEN,TURBAN ,2017)

 Identificar e reduzir ruídos nos dados

 Encontrar e eliminar dados errados

 Construir novos atributos

 Reduzir o número de registros

Um banco de dados relacional? (Então qual é a diferença?)

"O data warehouse é uma coleção de bases de dados integradas,

Figura 1.10 A High-Level Architecture of BI - Fonte: (SHARDA,DELEN,TURBAN ,2017)

1970s 1980s 1990s 2000s 2010s

ü Mini/personal computers (PCs) ü Exponentially growing data Web data

 Data mart dependentes

 Data mart independente

Data warehouse corporativos (EDW)

Metadados - "dados sobre dados"

Carga e pré-processamento dos dados selecionados utilizando a

Figura 1.10 A High-Level Architecture of BI - Fonte: (SHARDA,DELEN,TURBAN ,2017)

A Generic DW Framework - Fonte: (SHARDA,DELEN,TURBAN ,2017)

usuários acessar e analisar dados do repositório

Arquitetura de duas camadas

... às vezes há apenas um nível? Tier 1:

 Integração de informações empresariais (EII)

Legacy Extract Extract Extract Extract

Critérios importantes na seleção de uma ferramenta ETL

Modelo Kimball: abordagem Data Mart

Qual modelo é o melhor?

Esquema de flocos de neve

Star Schema versus Snowflake Schema- Fonte: (SHARDA,DELEN,TURBAN ,2017)

Manipulação de dados utilizando scripts Qliksense.

Figura 1.10 A High-Level Architecture of BI - Fonte: (SHARDA,DELEN,TURBAN ,2017)

 Medidas: dinheiro, volume de vendas, contagem de títulos, apuração de lucro

 Tempo: diária, semanal, mensal, trimestral ou anual

OLTP (Online Transaction Processing)

OLAP (Online Analytical Processing)

Uma boa escalabilidade considera que consultas e outras funções de

Segurança e privacidade é uma questão urgente em DW

Figura 1.10 A High-Level Architecture of BI - Fonte: (SHARDA,DELEN,TURBAN ,2017)

Statistical Modeling for Business Analytics - Fonte: (SHARDA,DELEN,TURBAN ,2017)

Variância - Desvio Padrão

 Visualização de dados vs. Visualização de informações

 Informação = agregação, resumo e contextualização de dados